目的 基于Cox回归探讨通过认知能力范式任务测评构建雷达操纵员智能化选拔模型。方法 单因素Cox回归纳入22名雷达操纵专业新兵和25名非专业新兵，选取以往选拔方法、智力水平以及空间N-back、三维1-back、精神运动警觉性任务(PVT)的反应时(RT)和正确率(ACC)为自变量，因变量以新兵在新训期间(120 d)首次连续3次专业考核成绩达到良好的日期作为时间变量。多变量Cox回归纳入88名雷达操纵专业新兵和49名非专业新兵，以单因素Cox回归与时间变量显著相关(P<0.05)的因素确定自变量，因变量同单因素Cox回归。结果 以往选拔方法、3-back ACC、4-back ACC、三维1-back RT、PVT RT共5项因素构成了最终的选拔模型(P<0.05)。通过列线图呈现概率预测值，采用Bootstrap法进行验证得出第60、90、120日达标率校准曲线显示选拔模型的预测概率与实际观察值吻合较好。通过受试者工作特征曲线对选拔模型预测效能进行评估，结果显示在第60、90、120日均展现出较好的鉴别能力，其中第60日曲线下面积(AUC)为0.73(P=0.01),95%CI为0.59～0.87,第90日AUC为0.86(P=0.01),95%CI为0.80～0.93,第120日AUC为0.76(P=0.01),95%CI为0.68～0.84;以往选拔方法在第60日AUC为0.55(P=0.44),95%CI为0.42～0.69,第90日AUC为0.60(P=0.05),95%CI为0.51～0.69,第120日AUC为0.61(P=0.02),95%CI为0.51～0.70;比较该选拔模型及以往选拔方法AUC之间的统计学差异结果显示第90日及第120日的AUC差异显著(P<0.05),表明该选拔模型的鉴别能力优于以往选拔方法。决策曲线分析法显示该选拔模型曲线绝大部分在以往选拔方法曲线的上方，且阈值宽度更广，表明相比以往选拔方法，用该选拔模型挑选雷达操纵专业兵会得到更大的净收益。结论 本研究构建的选拔模型对专业绩效情况反馈更加精确，能有效降低选拔风险与时间成本。